22倍加速還不夠，再來提升46%，而且方法直接開源！

這就是開源社區(qū)改進(jìn)MIT爆火項(xiàng)目StreamingLLM的最新成果。

StreamingLLM可以在不犧牲生成效果、推理速度的前提下，實(shí)現(xiàn)多輪對(duì)話共400萬個(gè)token，22.2倍推理速度提升。

該項(xiàng)目在上線不到3個(gè)月時(shí)間內(nèi)，GitHub項(xiàng)目標(biāo)星達(dá)到5.7k star。

不過，StreamingLLM使用原生PyTorch實(shí)現(xiàn)，對(duì)于多輪對(duì)話推理場(chǎng)景落地應(yīng)用的低成本、低延遲、高吞吐等需求仍有優(yōu)化空間。

Colossal-AI團(tuán)隊(duì)開源了SwiftInfer，基于TensorRT的StreamingLLM，可以進(jìn)一步提升大模型推理性能46%，有效解決如上問題。

具體如何實(shí)現(xiàn)？一起來看。

開源地址：https://github.com/hpcaitech/SwiftInfer

StreamingLLM如何實(shí)現(xiàn)超長多輪對(duì)話？

大語言模型能夠記住的上下文長度，直接影響了ChatGPT等大模型應(yīng)用與用戶互動(dòng)的質(zhì)量。

如何讓LLM在多輪對(duì)話場(chǎng)景下保持生成質(zhì)量，對(duì)推理系統(tǒng)提出了更高的要求，因?yàn)長LM在預(yù)訓(xùn)練期間只能在有限的注意力窗口的限制下進(jìn)行訓(xùn)練。

常見的KV Cache機(jī)制能夠節(jié)約模型計(jì)算的時(shí)間，但是在多輪對(duì)話的情景下，key和value的緩存會(huì)消耗大量的內(nèi)存，無法在有限的顯存下無限擴(kuò)展上下文。

同時(shí)，訓(xùn)練好的模型在不做二次微調(diào)的前提下也無法很好地泛化到比訓(xùn)練序列長度更長的文本，導(dǎo)致生成效果糟糕。

△圖來源：https://arxiv.org/pdf/2309.17453.pdf

StreamingLLM為了解決了這個(gè)問題，通過觀察了注意力模塊中Softmax的輸出，發(fā)現(xiàn)了attention sink的現(xiàn)象。

要知道，注意力機(jī)制會(huì)為每一個(gè)token分配一個(gè)注意力值，而文本最初的幾個(gè)token總是會(huì)分配到很多無用的注意力。

當(dāng)使用基于滑動(dòng)窗口的注意力機(jī)制時(shí)，一旦這幾個(gè)token被踢出了窗口，模型的生成效果就會(huì)迅速崩潰。

只要一直把這幾個(gè)token保留在窗口內(nèi)，模型就能穩(wěn)定地生成出高質(zhì)量的文本。

比起密集注意力（Dense Attention）、窗口注意力（Window Attention）以及帶重計(jì)算的滑動(dòng)窗口注意力(Sliding Window w/ Re-computing)，StreamingLLM基于attention sink的注意力機(jī)制無論是在計(jì)算復(fù)雜度還是生成效果上都表現(xiàn)優(yōu)異。

在不需要重新訓(xùn)練模型的前提下，StreamingLLM能夠直接兼容目前的主流大語言模型并改善推理性能。

SwiftInfer如何升級(jí)StreamingLLM？

Colossal-AI團(tuán)隊(duì)的方法是，將StreamingLLM方法與TensorRT推理優(yōu)化結(jié)合。

這樣的好處是，不僅能繼承原始StreamingLLM的所有優(yōu)點(diǎn)，還具有更高的運(yùn)行效率。

使用TensorRT-LLM的API，還能夠獲得接近于PyTorch API的模型編寫體驗(yàn)。

具體來看，基于TensorRT-LLM可以重新實(shí)現(xiàn)KV Cache機(jī)制以及帶有位置偏移的注意力模塊。

如下圖所示，假設(shè)窗口大小為10個(gè)token，隨著生成的token增加（由黃色方塊表示），在KV緩存中將中間的token踢出，與此同時(shí)，始終保持著文本開始的幾個(gè)token（由藍(lán)色方塊表示）。

由于黃色方塊的位置會(huì)發(fā)生變化，在計(jì)算注意力時(shí)，也需要重新注入位置信息。

需要注意的是，StreamingLLM不會(huì)直接提高模型能訪問的上下文窗口，而是能夠在支持流式超多輪對(duì)話的同時(shí)保證模型的生成效果。

經(jīng)過升級(jí)后，在原版本StreamingLLM基礎(chǔ)上，Colossal-AI團(tuán)隊(duì)發(fā)布的SwiftInfer可帶來額外的最多46%的推理吞吐速度提升。

能為大模型多輪對(duì)話推理提供低成本、低延遲、高吞吐的最佳實(shí)踐。TensorRT-LLM團(tuán)隊(duì)也在同期對(duì)StreamingLLM進(jìn)行了類似支持。

團(tuán)隊(duì)剛開源13B大模型

Colossal-AI目前已獲得GitHub星數(shù)三萬五千多顆，位列全球TOP400，細(xì)分賽道排名世界第一，可通過高效多維并行、異構(gòu)內(nèi)存等，降低AI大模型訓(xùn)練/微調(diào)/推理的開發(fā)與應(yīng)用成本，提升模型任務(wù)表現(xiàn)，降低GPU需求。作為主流開源AI大模型系統(tǒng)社區(qū)，Colossal-AI生態(tài)在多方面保持活躍更新。

值得一提的是，Colossal-AI最近還開源了另一個(gè)新模型Colossal-LLaMA-2-13B。

它僅用25B token 數(shù)據(jù)和萬元算力，效果遠(yuǎn)超基 LLaMA-2 的其他中文漢化模型。

即使與其他采用中文語料，可能花費(fèi)上千萬元成本，從頭預(yù)訓(xùn)練的各大知名模型相比，Colossal-LLaMA-2在同規(guī)模下表現(xiàn)仍舊不錯(cuò)。

13B 版本通過構(gòu)建更為完善的數(shù)據(jù)體系，在知識(shí)性內(nèi)容掌握程度，自然語言處理任務(wù)理解程度，以及安全性，價(jià)值觀等問題上，都有質(zhì)的提升。

另外在云平臺(tái)方面，Colossal-AI云平臺(tái)在整合Colossal-AI系統(tǒng)優(yōu)化和廉價(jià)算力的基礎(chǔ)上，近期發(fā)布了AI云主機(jī)的功能。

它能方便用戶以近似裸機(jī)的方式進(jìn)行AI大模型的開發(fā)和調(diào)試，并提供了多種使用方式，包括：Jupyter Notebook、ssh、服務(wù)本地端口映射和grafana監(jiān)控，全方位的為用戶提供便捷的開發(fā)體驗(yàn)。

同時(shí)，還為用戶預(yù)制了含有ColossalAI代碼倉庫和運(yùn)行環(huán)境的docker鏡像，用戶無需環(huán)境和資源配置，便可一鍵運(yùn)行ColossalAI代碼倉庫中的代碼樣例。

Colossal-AI開源地址：https://github.com/hpcaitech/ColossalAI